n8n AI Agent 教學：接 Ollama 本地模型、不用金鑰，做一個會自己查匯率的助理

搜「n8n AI Agent」找到的教學，第一步幾乎都是去申請 OpenAI 的 API 金鑰。金鑰要綁信用卡，用多少付多少。還不確定要不要用，就得先準備付錢，很多人會停在這裡。

n8n 的 AI Agent 其實可以接 Ollama，用跑在自己機器上的模型，不需要任何金鑰。我想知道這樣做實際上是什麼樣子：能不能用、要等多久、會錯在哪裡，所以在一台測試機上從頭做了一次。

例子很小：問它「我有 5 萬日圓，照現在的匯率可以換多少台幣？」，讓它自己去查匯率、自己算。兩個流程檔都放在站上，可以直接匯入。如果你還沒做過 n8n 的流程，建議先看第一個流程那篇，這篇的匯率資料來源跟那篇是同一個。

AI Agent 在 n8n 裡長什麼樣子

在 n8n 裡，AI Agent 是一個節點。它跟一般節點不一樣的地方，是底下還要接幾個小節點，官方叫子節點（sub-node）。會接的有三種：

• 模型（Chat Model）：負責想、決定下一步要做什麼。一定要接。
• 工具（Tool）：它能用的能力，例如打一個網址拿資料、算數學、讀試算表。官方文件寫至少要接一個。
• 記憶（Memory）：讓它記得同一段對話前面講過什麼。可以不接。

它運作的方式是這樣：你丟一個問題進去，模型看了問題和手上有哪些工具，決定要不要用、用哪一個；工具跑完把結果交回去，模型再決定下一步，直到它覺得可以回答了。官方文件寫，從 1.82.0 開始，AI Agent 節點一律用這種方式運作，叫 Tools Agent。

跟一般的流程比，差別在「誰決定下一步」。第一個流程那篇的匯率流程，抓匯率、留數字、判斷，每一步都是我排好的。這篇的 AI Agent，我只給它工具和一段說明，要不要查、查哪一種貨幣，是模型自己決定的。這也是 AI Agent 這個詞最基本的意思。

另外有一件容易搞混的事。n8n 2.x 加了一個也叫 Agents 的新功能，在專案裡的 Agents 分頁用 Agent Builder 建立，跟流程並列，可以接 Slack、Telegram、Linear，也能排程。官方文件寫它目前還是 Preview，自架的版本要 2.32.3 以上，而且關掉它不影響 AI Agent 節點。這篇講的、測的都是 AI Agent 節點。

我做的兩個流程

手動版，用來確認它查得到、算得對：

https://yuntech.idv.tw/files/n8n-ai-agent.json

聊天版，多了聊天視窗和記憶：

https://yuntech.idv.tw/files/n8n-ai-agent-chat.json

在畫布右上角的流程選單選 Import from URL，貼上網址就能匯入。匯入之後要自己選 Ollama 的憑證，下面會講怎麼設。

手動版的主線只有三格：手動測試、問題（用 Edit Fields 放一句問題）、AI Agent。AI Agent 底下接三個子節點：

• Ollama Chat Model：模型用 qwen3:4b-instruct。
• get_exchange_rate：把 HTTP Request 節點當成工具，去 ExchangeRate-API 查匯率。
• calculator：n8n 內建的計算機工具。

兩個工具的名字我用英文。模型是看工具的名字和說明，來決定什麼時候用哪一個，所以說明要寫清楚它能做什麼、要給它什麼。

AI Agent 的系統訊息（System Message）我是這樣寫的：

你是幫忙換匯試算的助理。匯率一定要用 get_exchange_rate 工具查，不能自己猜；需要計算的時候用 calculator 工具。用繁體中文回答，答案裡寫出用了哪個匯率，以及匯率資料的更新時間。

查匯率的工具怎麼設

匯率網址的最後一段是貨幣代碼，查日圓就是 latest/JPY。這一段我沒有寫死，讓模型自己填。實際的設定是一整行，這裡為了手機好讀拆成幾行：

https://open.er-api.com/v6/latest/
{{ $fromAI(
  'currency',
  '三個大寫英文字母的貨幣代碼，例如 JPY',
  'string'
) }}

$fromAI() 是 n8n 給工具用的函式，意思是「這個值由模型決定」。第一個參數是名字，第二個是寫給模型看的說明。

這個網址回來的資料很長，一百多種貨幣全部列出來。整包交給模型，光是讀就要很久，這台機器處理提示每秒只有 7 到 21 個 token。HTTP Request 當工具用的時候，多了一個 Optimize Response 的選項，可以只留需要的欄位，官方文件也說這樣模型比較不會被不重要的細節帶偏。我只留三個：

base_code,rates.TWD,time_last_update_utc

實際跑的時候，工具交回給模型的就只剩這一小段：

{
  "base_code": "JPY",
  "rates": { "TWD": 0.203034 },
  "time_last_update_utc":
    "Wed, 14 Oct 2026 00:02:32 +0000"
}

先問一次沒有工具的模型

接上工具之前，我先把同一句話直接丟給模型，什麼工具都不給，看它怎麼回。

它寫了很長一段，中間還把匯率的方向寫錯又自己改過來，最後的結論是：

5 萬日圓 ≈ 278 台幣（四捨五入）

它用的匯率是「1 台幣 ≈ 180 日圓」，旁邊註明「截至 2024 年 6 月，僅供參考」。當天實際的匯率是 1 日圓換 0.203 台幣，5 萬日圓大約是 10,152 台幣。它差了三十幾倍，語氣卻很肯定，最後還問我要不要幫忙查即時匯率——它其實查不了。

這不是這個模型特別差。模型知道的東西停在訓練的那一天，它不知道今天的匯率，只能拿記得的數字湊一個答案。AI Agent 要解決的就是這件事：不知道的時候，讓它自己去查。

接上工具之後

同一句話，這次交給 AI Agent。整個執行花了 74 秒，模型被叫了兩次。

第一次花 24 秒。模型讀了問題和工具清單，決定呼叫 get_exchange_rate，貨幣填 JPY。工具去查，0.14 秒就拿回來：1 日圓換 0.203034 台幣。

第二次花 48 秒。模型拿著這個數字寫答案：

根據最新的匯率資料，1 日圓可以換 0.203034 台幣，此資料的更新時間為 2026年10月14日 00:02:32 UTC。……50,000 × 0.203034 = 10,151.7 台幣

我驗算過，50,000 乘以 0.203034 是 10,151.7，對的。匯率和資料更新時間也照系統訊息的要求寫出來了。

有一件事它沒照做。系統訊息叫它計算時要用 calculator，它沒用，自己算了。這次剛好算對，但這說明寫在說明裡的規則，模型不一定會遵守。

加上聊天視窗和記憶

聊天版把起點換成 Chat Trigger，再接一個 Simple Memory 當記憶。Chat Trigger 打開 Make Chat Publicly Available，選 Hosted Chat，n8n 就會給一個聊天網址，打開就是一個聊天視窗，不用自己寫網頁。網址的格式是 /webhook/一串代碼/chat。

我發佈這個流程、啟動 n8n 之後，用指令對這個網址送訊息（跟聊天視窗送出去的是同一種請求）。先在同一段對話裡連問兩句，再開一段新的對話問一句。

第一句「1 美元現在可以換多少台幣？」花了 27 秒。它查了 USD，回答 1 美元換 32.14 台幣，也附上資料時間。

第二句「那 300 塊呢？」花了 33 秒。這句話本身沒有說是哪一種錢。它沒有再查一次匯率，直接拿前一句的 32.141562，叫計算機算 300 × 32.141562，得到 9,642.4686。這表示記憶有作用：它知道前面在講美元，也記得那個匯率。

但它最後寫的是：

300 台幣可以換 9,642.47 美元。

它算的是「300 美元換多少台幣」，寫出來卻變成「300 台幣換多少美元」，方向反了。300 台幣其實只換得到 9 塊多美元。

公平地說，「300 塊」在台灣通常是指台幣，這句話本來就有兩種讀法，是我問得不夠清楚。但不管照哪一種讀法，它最後那句話都跟它自己算的東西對不上。

第三句是新的一段對話，一樣問「那 300 塊呢？」，花了 18 秒。沒有前面的對話，它把 300 塊當成台幣，反問我要換成哪一種貨幣，沒有亂猜，也沒有用任何工具。同一句話，有沒有記憶，結果完全不一樣。

這次還遇到一個小狀況。n8n 一啟動，健康檢查已經回應正常，我在同一秒打開聊天網址，拿到的是 404，送訊息也只回一行 Cannot POST，網址還不存在。過了半分鐘再試就好了。剛重開 n8n 的時候，聊天視窗要等一下才能用。

跑起來要多少資源

測試機是 4 核心、8 GB 記憶體、沒有顯示卡。量到的數字是這些：

• 模型 qwen3:4b-instruct 載入後占 3.2 GB 記憶體。
• n8n 本體約 460 MB，另外一個執行程式碼用的 task runner 約 120 MB。
• 整台用掉約 4.3 GB，包含 Docker 本身。
• 模型產生文字的速度，每秒 4 個 token 左右。接上工具之後的四次回答，最快 18 秒，最慢 74 秒；沒給工具的那一次寫了一大段，花了 90 秒（其中 12 秒是第一次載入模型）。

只用 CPU 的話，回答一句要等二十秒到一分多鐘。拿來做背景的工作還可以，例如每天早上整理一次資料、寫一段摘要；放在網站上當即時的客服就太慢了。

所以要讓它整天開著，有兩條路。第一條是模型也放在自己的主機上，記憶體至少要 8 GB。例如 Hostinger 的 n8n 方案，8 GB 的是 KVM 2，不過它是 2 核心，比我的測試機少一半，可以預期回答會更慢。各家的規格和價格在 VPS 比較那篇。第二條是模型改用 OpenAI、Anthropic、Gemini 這類雲端的 API，n8n 本身吃不了多少資源，用官方雲端版或小台的主機就好，模型的費用照用量另外付。兩邊的 n8n 各要花多少在 n8n 費用。n8n 要選 Hostinger 哪一級方案、續約價多少，我整理在 Hostinger 評價。

照著做的話

先讓 Ollama 跑起來，抓一個支援工具呼叫的模型。我用的是：

ollama pull qwen3:4b-instruct

Ollama 怎麼裝、模型怎麼挑，在 Ollama 教學和 Ollama 模型推薦。

接著在 n8n 建一個 Ollama 的憑證，只要填 Base URL。這裡最常卡住：n8n 裝在 Docker 裡的話，網址寫 localhost，指的是容器自己，連不到 Ollama。官方文件依你的裝法給了不同的寫法：

• n8n 在 Docker 裡、Ollama 直接裝在主機上：啟動 n8n 時加 --add-host host.docker.internal:host-gateway（Docker Desktop 已經內建，不用加），網址填 http://host.docker.internal:11434。Ollama 要設成聽所有網路介面，例如用 OLLAMA_HOST=0.0.0.0 啟動。我這次就是這樣接的，在 n8n 的容器裡打得到 Ollama。
• 兩個都在 Docker 裡：放在同一個 Docker 網路，網址用 Ollama 容器的名字，例如 http://ollama:11434。這篇的 n8n 我沒有這樣接；後來在 Ollama Docker 教學 用另一個容器實測過，同一個網路連得到，沒放在同一個網路會找不到這個名稱。
• 兩個都沒有用 Docker：用預設的 http://localhost:11434。官方文件提醒，如果出現 ECONNREFUSED ::1:11434，改成 http://127.0.0.1:11434。

然後匯入流程檔，打開 Ollama Chat Model 節點，選你剛建的憑證和模型。手動版按 Execute workflow 看結果；聊天版發佈之後，打開 Chat Trigger 節點上的聊天網址。

n8n 本身怎麼裝，在 n8n 安裝教學。

我改了兩個設定

在 Ollama Chat Model 的 Options 裡，我加了兩個設定。溫度設成 0，讓同一題每次答得一樣，比較好對照。思考（Think）關掉：會先思考再回答的模型，開著思考就要先寫一大段推理，只用 CPU 的時候特別慢。我在模型推薦那篇遇過問一句話、100 個 token 用完還在想，而且那個模型（qwen3:4b）要求關掉思考也照想。所以我直接挑名字裡有 instruct、本來就不先思考的 qwen3:4b-instruct，關掉 Think 只是保險。

用之前要知道的

官方文件 Tools Agent 那一頁，列出的支援模型是 OpenAI、Groq、Mistral、Anthropic、Microsoft Foundry 這幾家，沒有 Ollama。我實測 Ollama 配 qwen3:4b-instruct 可以正常呼叫工具，但換別的模型要自己先試，模型本身一定要支援工具呼叫。

聊天網址設成公開，知道網址的人都能用，每問一句都在用你主機的資源。Chat Trigger 的驗證可以選 Basic Auth，或限定登入 n8n 的使用者。

Simple Memory 的對話紀錄不會一直留著。官方文件寫它不會跨 session 保存，也不能用在 queue mode。

小模型會錯，像上面把方向寫反。跟錢有關的答案，送出去之前要有人看過。換成大一點的模型、或改用雲端的模型，通常會好一些，但這次沒有測，沒辦法跟你說好多少。

同樣這兩個工具，也可以不放在 n8n 的 AI Agent 裡，而是開成 MCP 伺服器，讓 Claude Code 這類工具來呼叫。我實際接過一次，同一題 7.9 秒答完，在 n8n MCP 教學。

這篇沒有測的

編輯器畫面上的操作。我是用指令匯入、執行和發佈的，沒有建立登入帳號。

雲端的模型。OpenAI、Anthropic、Gemini 都要金鑰，這次沒有接。

n8n 新的 Agents 功能。它要在畫面上用 Agent Builder 建立。

接 LINE、Telegram 這類聊天軟體，以及能長期保存對話的記憶節點。

有顯示卡的機器。有顯示卡的話速度會差很多，這次的秒數只代表只用 CPU 的情況。

同一題重跑很多次看穩不穩定。上面每一句都只問了一次。